[論文レビュー] Survey and Open Problems in Privacy Preserving Knowledge Graph: Merging, Query, Representation, Completion and Applications

Chaochao Chen, Jamie Cui+3 more|arXiv (Cornell University)|Nov 20, 2020

Privacy-Preserving Technologies in Data被引用数 8

ひとこと要約

この論文は、データ隔離環境におけるプライバシー保護型知識グラフ（KG）共同利用に取り組み、暗号技術（例えば、安全なマルチパーティ計算）を用いて、安全な統合、クエリ処理、表現学習、完成（completion）のためのソリューションを提案する。複数の機関が、生データを暴露せずに、不正検出、ローン評価、レコメンデーションなどのKGタスクを共同で実行できることを示しており、強固なプライバシー保証のもとで協働知能を実現可能である。

ABSTRACT

Knowledge Graph (KG) has attracted more and more companies' attention for its ability to connect different types of data in meaningful ways and support rich data services. However, the data isolation problem limits the performance of KG and prevents its further development. That is, multiple parties have their own KGs but they cannot share with each other due to regulation or competition reasons. Therefore, how to conduct privacy preserving KG becomes an important research question to answer. That is, multiple parties conduct KG related tasks collaboratively on the basis of protecting the privacy of multiple KGs. To date, there is few work on solving the above KG isolation problem. In this paper, to fill this gap, we summarize the open problems for privacy preserving KG in data isolation setting and propose possible solutions for them. Specifically, we summarize the open problems in privacy preserving KG from four aspects, i.e., merging, query, representation, and completion. We present these problems in details and propose possible technical solutions for them. Moreover, we present three privacy preserving KG-aware applications and simply describe how can our proposed techniques be applied into these applications.

研究の動機と目的

• 規制や競争のため、組織がプライベートなKGを共有できないという知識グラフ（KG）の隔離問題に取り組む。
• 統合、クエリ処理、表現学習、完成の4分野におけるプライバシー保護型KGに関する未解決問題を特定・形式化する。
• 安全なマルチパーティ計算（sMPC）を用いた技術的ソリューションを提案し、データプライバシーを保持したまま協働KGタスクを実現する。
• 実世界のシナリオ（不正検出、信用リスク評価、レコメンデーションシステムなど）におけるプライバシー保護型KGの実用的応用を示す。
• 産業現場におけるプライバシー保護型KGシステムの今後の研究・導入の基盤となるフレームワークを提供する。

提案手法

• 安全なマルチパーティ計算（sMPC）を用いて、協働中にどの参加者も生データを露呈しないように、プライバシー保護型KGタスクを形式化する。
• 各参加者が個々のエンティティや関係データを暴露せずに知識グラフを統合できる安全な統合手法を提案する。
• 参加者が下位のKG構造を露呈せずに、事実クエリ（例：「2つのエンティティ間にリンクがあるか？」）に応答できるプライバシー保護型クエリプロトコルを設計する。
• 暗号化された埋め込み表現を用いた安全なKG表現学習を導入し、データ漏洩なしにTransEやRotatEなどのモデルを共同で学習可能にする。
• 同型暗号または秘密分散を用いたプライバシー保護型プロパティおよびトリプル完成技術を開発し、欠落した事実やラベルを予測する。
• これらの技術を、不正検出、信用スコアリング、レコメンデーションシステムなどのアプリケーション固有のパイプラインに統合し、データ隔離下での運用を可能にする。

実験結果

リサーチクエスチョン

• RQ1 複数の参加者が、プライベートなエンティティや関係データを露呈せずに、隔離された知識グラフを安全に統合するにはどうすればよいか？
• RQ2 複数の参加者間でKGのプライベートクエリ処理を可能にする技術は何か？ ただし、下位のデータ構造の機密性を保持する必要がある。
• RQ3 分類やリンク予測などの下流タスクを支援するために、KGのためのプライバシー保護型表現学習をどのように実現できるか？
• RQ4 信頼できない複数の参加者に分散されたデータにおいて、欠落したプロパティやトリプルを安全に補完する方法は何か？
• RQ5 不正検出、信用評価、レコメンデーションシステムなどの実世界の応用に、プライバシー保護型KG技術を効果的に適用するにはどうすればよいか？

主な発見

• 本論文は、既存のプライバシー保護型機械学習技術における重要なギャップを特定している。一般データ向けの技術は存在するが、知識グラフが持つ複雑な関係的構造には不十分である。
• 安全なマルチパーティ計算により、統合、クエリ処理、完成などの協働KGタスクを、プライベートデータを露呈せずに実行可能であり、KG隔離問題に対する実用的解決策を提供する。
• プライバシー保護型プロパティ完成技術により、共有エンティティ（例：Jimが異なるKGで「良い」または「悪い」とラベル付けされている場合）のラベルの矛盾を解消でき、共同分類の精度が向上する。
• 提案手法により、金融機関が隔離された企業用KGを活用しながらも、データ共有なしに共同で信用リスクを評価可能となり、デフォルトリスクの低減が可能になる。
• 異なるプラットフォームから得られるユーザ・アイテム相互作用データとソーシャルネットワークデータを安全に統合することで、レコメンデーションシステムの品質が向上し、プライバシーを保持したままとなる。
• 本フレームワークにより、不正検出、ローン保証、レコメンデーション分野におけるプライバシー保護型KGアプリケーションの実用的導入が可能となり、実世界への採用が見込まれる。